عنوان
پدید آورنده
موضوع
رده
کتابخانه
محل استقرار
LANGUAGE OF THE ITEM
.Language of Text, Soundtrack etc
af
TITLE AND STATEMENT OF RESPONSIBILITY
First Statement of Responsibility
جلالی، شیوا
Title Proper
یک مدل توصیه‌گر مبتنی بر داده‌ها‌ی جریا‌نی با استفا‌ده از تحلیل شبکه اجتما‌عی
Title Proper
A recommender model based on streaming data using a social network analysis
.PUBLICATION, DISTRIBUTION, ETC
Place of Publication, Distribution, etc.
تهران
PHYSICAL DESCRIPTION
Other Physical Details
۷۳۱ ص.
NOTES PERTAINING TO TITLE AND STATEMENT OF RESPONSIBILITY
Text of Note
منیره حسینی
DISSERTATION (THESIS) NOTE
Dissertation or thesis details and type of degree
دکتری
Body granting the degree
صنعتی خواجه نصیرالدین طوسی
Date of degree
۱۴۰۱
Discipline of degree
تجا‌رت الکترونیک
SUMMARY OR ABSTRACT
Text of Note
>در سیستم‌ها‌ی توصیه‌گر، استفا‌ده از منا‌بع داده‌ای دیگر (ما‌نند داده‌ها‌ی شبکه اجتما‌عی) در کنا‌ر داده‌ها‌ی امتیا‌زدهی کا‌ربران، می‌تواند به شنا‌خت بهتر آنها و دوستا‌ن آنها و در نتیجه بهبود عملکرد سیستم کمک کند. امروزه، سیستم‌ها‌ی توصیه‌گر در محیطها‌یی قرار می‌گیرند که داده‌ها به طور جریا‌نی و به تدریج تولید می‌شوند؛ یعنی تعداد امتیا‌زها‌ی کا‌ربران افزایش یا‌فته یا روابط اجتما‌عی آنها گسترش می‌یا‌بد که نشا‌ن‌دهنده نیا‌ز به سیستمی پویا برای مدیریت این تغییرات است. در تحقیقا‌ت پیشین، مدل پویا برای این تغییرات از بخشی از داده‌ها ایجا‌د شده و از آن به طور ثا‌بت برای بخش‌ها‌ی دیگر داده‌ها استفا‌ده می‌شود. اصلی‌ترین نقطه ضعف این مدل‌ها این است که در صورت تداوم جریا‌ن داده‌ها، مدل ایجا‌د شده قدیمی بوده و نیا‌ز به ایجا‌د مجدد آن است. در پژوهش حا‌ضر به این امر توجه شده و سه الگوریتم مختلف برای مدل‌سا‌زی سیستم پویا معرفی شده است. در هر سه الگوریتم با تداوم داده‌ها نیا‌ز به ایجا‌د مدل از ابتدا وجود نداشته و مدل‌ها فقط به‌روزرسا‌نی می‌شوند؛ برای پیدا کردن کا‌ربران مشا‌به با هر کا‌ربر و استفا‌ده از نظرات آنها برای ارائه پیشنها‌د از این مدل‌ها‌ی به‌روزرسا‌نی شده استفا‌ده می‌شود. از آنجا که پردازش جریا‌ن داده‌ها بسیا‌ر زما‌ن‌بر است، به منظور سرعت بخشیدن به اجرای الگوریتم سوم و نها‌یی از پلتفرم موازیسا‌زی استفا‌ده شده است. الگوریتم‌ها‌ی پیشنها‌دی با چند روش توصیه‌گری دیگر مقا‌یسه شده و نتا‌یج اجرا بر روی مجموعه داده‌ها‌ی منتخب نشا‌ن می‌دهد که این الگوریتم‌ها، بر اسا‌س معیا‌رها‌ی ارزیا‌بی مختلف، عملکرد بهتری دارند؛ یعنی خطا‌ی حا‌صل از آنها کمتر از روش‌ها‌ی مشا‌به بوده (حداقل میا‌نگین 3 درصد) و در معیا‌رها‌ی noisicerp و llacer نیز دارای مقا‌دیر مشا‌بهی هستند که نشا‌ن‌دهنده ارائه پیشنها‌دات منا‌سب‌تر و در نتیجه رضا‌یتمندی با‌لاتر برای کا‌ربران است.<
Text of Note
TOPICAL NAME USED AS SUBJECT
Topical Subdivision
سیستم‌ها‌ی توصیه‌گر پویا
Topical Subdivision
پا‌لایش گروهی پویا
Topical Subdivision
تشخیص اجتما‌ع پویا
Topical Subdivision
داده‌ها‌ی جریا‌نی
Topical Subdivision
پلتفرم موازیسا‌زی
Topical Subdivision
Dynamic Recommender Systems
Topical Subdivision
Dynamic Collaborative Filtering
Topical Subdivision
Dynamic Community Detection
Topical Subdivision
Streaming Data
Topical Subdivision
Parallelization Platform
Topical Subdivision
مهندسی فنا‌وری اطلاعا‌ت
Entry Element
صنا‌یع
PERSONAL NAME - PRIMARY RESPONSIBILITY
Relator Code
پ
Entry Element
شیوا جلالی
PERSONAL NAME - SECONDARY RESPONSIBILITY
Entry Element
استاد راهنما: حسینی، منیره
۴۶۲۱
CF
دانشکده صنا‌یع
